玻尔百科医学研究致力于回答人类最关键的问题之一：什么疗法效果最好？然而，一个根本性问题常常阻碍着进展。当不同的研究以不同的方式衡量成功时，集体的科学努力就变成了一座“科学的巴别塔”，其结果无法进行比较、合并或在其上进一步发展。这种证据的碎片化不仅浪费了宝贵的研究资源，也为偏倚打开了大门，损害了指导患者护理的证据的可靠性。
本文介绍了一个应对这种混乱的巧妙解决方案：核心结局集合（Core Outcome Sets, COS）。它探讨了仅仅就测量内容达成一致这一简单行为如何能够改变科学格局。在接下来的章节中，您将发现这一运动背后的基本原则。第一章“原则与机制”深入探讨了为何缺乏标准化是一个如此关键的问题，剖析了结局异质性、选择性报告以及不精确定义所带来的统计学风险等议题。它还将揭示用于打造一种共同科学语言的系统性、基于共识的方法。随后的章节“应用与跨学科联系”将展示COS如何充当通用翻译器，统一从外科学到儿科学等不同领域的研究，以构建一个更稳健、高效和以患者为中心的科学。
想象一下牛顿之前的物理学状况。一个人可能通过苹果下落时的颜色变化来描述它，另一个人可能通过它落地时的声音，第三个人则可能通过它下落时的时间。所有人都在观察同一事件，但若没有质量、力和加速度的共同语言，他们的观察仍然只是一堆孤立的轶事。要建立一门真正的科学，一个共同的测量框架不仅有益，而且至关重要。
在临床研究中，我们长期以来面临着类似的挑战。每年都有成千上万的研究旨在确定针对无数疾病的最佳疗法。然而，当我们试图合并它们的结果以得到一个清晰、明确的答案时，我们常常发现自己身处一座科学的巴别塔。本章将探讨这种混乱存在的原因，以及核心结局集合（COS）这一巧妙概念如何提供一种共同语言，以建立一个更具累积性和更值得信赖的医学科学。
让我们以一种常见的神经系统疾病——正常压力脑积水（NPH）为例，该病会影响步态。波士顿的一个研究团队进行了一项关于一种新型外科分流管的试验，并通过患者在10米内步行速度的改善程度来衡量其成功与否。与此同时，柏林的一个团队评估相同的分流管，但测量的是“计时起立行走”测试，即患者站起、行走3米、转身并坐下。而东京的第三个团队则只是让临床医生在一个1到5分的量表上对改善情况进行评分。
这三个团队都投入了巨大的努力和数百万美元来回答同一个问题：这种分流管能否改善患者的活动能力？然而，当我们试图进行荟萃分析（meta-analysis）——这种合并多个研究结果的强大统计技术时，我们却碰了壁。你如何对每秒米数的变化、完成一个复杂任务的总秒数变化以及一个主观评分进行平均？你无法做到。这些结果是无法通约的。
这就是结局异质性（outcome heterogeneity）问题。由于研究人员历来选择他们认为最佳的任何结局，许多疾病的证据基础是由各种无法进行数学合成的研究拼凑而成的。因此，对于一个给定的终点，所有可用的研究 中，只有一小部分，比如比例为 ，能够被汇总。 宝贵的数据，通常是花费巨资并依靠患者无私参与才收集到的，实际上因碎片化而丢失了。我们最终得到的是一个由互不相连的章节组成的图书馆，而非一本连贯的知识之书。
问题远比偶然的变异更深。这种结局的混乱也可能为两种扭曲科学记录的隐蔽偏倚形式提供掩护。
第一种是选择性结局报告（selective outcome reporting），这种做法类似于一个弓箭手先射箭，然后在箭落下的任何地方画上靶子。想象一下，一项新药的临床试验，研究人员测量了五个不同的结局——比如，血压、胆固醇、体重、患者报告的精力水平以及一种特定的生物标志物。纯粹出于偶然，这五个结局中的一个——也许是精力水平——可能显示出“统计学显著”的改善，而其他四个则毫无变化。如果研究人员选择只发表这个阳性结果，他们就呈现了一幅具有误导性的成功药物图景，而实际上该发现很可能只是一个随机的侥幸结果。 这不仅是不规范的做法，它还主动污染了临床决策所依赖的证据之源。
第二种相关的偏倚是在比赛中途“移动球门”。研究方案是一份神圣的契约。它在结果揭晓之前就明确了主要目标，即主要结局（primary outcome）。假设一项治疗溃疡性结肠炎药物的试验方案将“12周时的内镜下缓解”指定为主要结局。然而，在研究期间，研究人员偷看了数据，并注意到在另一个次要结局上效果要强得多。如果他们随后决定将主要结局切换到那个看起来更好的结局上，他们就使其试验的整个统计学基础失效了。这就像在马已经冲过终点线后才下注。 CONSORT（临床试验报告统一标准）等声誉卓著的报告指南之所以存在，正是为了通过要求遵循预先制定的计划来防止此类做法。
标准化的最深层原因或许在于一个关于测量的简单数学真理，尤其是在研究罕见事件时。让我们构建一个思想实验。
想象一种非常罕见且具毁灭性的疾病，我们称之为“羊水栓塞”（Amniotic Fluid Embolism, AFE），这是一种真实的产科急症。假设其真实患病率 仅为每10万次分娩中2例，即 。我们想创建一个登记系统来追踪这种疾病并了解哪些治疗方法有效。我们需要一个病例定义。
假设我们创建了一个听起来相当不错的定义：它具有95%的高敏感性（能正确识别95%的真实AFE病例）和看似极佳的98%的特异性（能正确识别98%没有患AFE的母亲）。现在，让我们看看将这个定义应用于一个10万次分娩的人群时会发生什么。
所以，我们的登记系统将包含大约 名患者。但其中只有2名是真实的AFE病例。另外2000名是假阳性——她们患有其他模仿了AFE定义的疾病。阳性预测值（Positive Predictive Value, PPV），即我们登记系统中的女性实际患有AFE的几率，仅为微不足道的 。
后果是灾难性的。如果我们分析这个登记系统中患者的结局，我们学到的不是关于AFE的知识，而是2000名患有其他疾病的女性的平均结局。AFE那真实而高得惊人的死亡率将被完全冲淡和低估。任何治疗的表面效果都将毫无意义。这就是为什么一个精确、高度特异且标准化的病例定义并非学术上的吹毛求疵。对于罕见病而言，它是构建有效医学知识的绝对基石。
若要摆脱结局的巴别塔，我们不能简单地自上而下地强加一个定义。解决方案必须源于所有与研究有利害关系的人们之间的共识。这是通过一种优美而系统的方法实现的，即德尔菲法（Delphi process）。
可以把德尔菲法想象成一种结构化的、匿名的、多轮的对话，旨在提炼集体智慧，而不受权威或个人魅力的影响。其运作方式如下：
组建专家小组： 成立一个小组，不仅包括研究人员和统计学家，关键是还要包括治疗该疾病的临床医生，以及最重要的，每天与疾病共存的患者及其照护者。毕竟，谁比亲身经历这种状况的人更能定义什么是“好的结局”呢？
第一轮：头脑风暴式评分： 生成一长串潜在的结局。每位小组成员匿名地对每个结局的重要性进行评分，通常使用1-9分的量表（其中1-3分为“不重要”，4-6分为“重要但非关键”，7-9分为“关键”）。
带有受控反馈的迭代： 一位协调人收集评分。结果被汇总并匿名反馈给小组。反馈可能看起来像这样：“对于‘日常疼痛’这个结局，85%的患者将其评为关键（7-9分），而只有50%的临床医生这样做。以下是解释原因的匿名评论。”
重新评估： 看到其他群体（尤其是患者）的观点，让每位成员都能反思并重新考虑自己的立场。然后他们在第二轮中对结局进行重新评分。
这个过程重复两到三轮。匿名性确保了初级研究员的意见与著名教授的意见具有同等分量，而结构化的反馈则允许基于理性而非言辞的趋同。小组会预先定义“共识”的含义——例如，“如果超过70%的患者和超过70%的临床医生都将其评为关键，则该结局被纳入。”
这个严谨过程的最终产物是一份经一致同意的、未来所有针对该特定疾病的试验中必须测量和报告的最低结局清单。这就是核心结局集合。
就测量什么——即核心结局集合——达成一致，是战斗的前半部分。后半部分是就如何测量它达成一致。如果骨关节炎的COS包括“疼痛”，我们必须决定使用哪种量尺。是10分制数字评分量表？WOMAC疼痛分量表？还是视觉模拟量表？[@problem_-id:5039298]
这时，两个互补的全球性倡议就发挥了作用：
COMET（有效性试验核心结局指标）倡议指导并编目核心结局集合自身的开发。它帮助社群决定测量什么。
COSMIN（健康测量工具选择的共识标准）倡议为选择最佳工具或“量尺”提供了规则手册。它帮助研究人员评估一份问卷是否有效（真正测量了预期的概念）、可靠（给出一致的结果）以及有反应性（能够检测到真实的临床变化）。
目标是超越概念上的一致，实现数学上的可比性。通过鼓励所有研究使用相同、经过充分验证的工具，我们可以直接比较和汇总它们的结果。即使使用了不同（但同样有效）的工具，对底层概念的共同理解也允许进行统计学协调，例如，通过将结果转换为一个共同的度量，如标准化均数差（SMD）。
因此，一个核心结局集合远不止是一张清单。它是一份社会和科学契约。它是整个研究界使用同一种语言的承诺。通过这样做，它减少了浪费，最大限度地减少了偏倚，并确保每一项新研究不再是孤立的低语，而是成为一个清晰而响亮的声音，和谐地加入到科学证据的合唱中。它将医学研究从一堆零散的事实转变为一门真正累积的科学，为改善患者生活的治疗方法奠定坚实的基础。
在我们探讨了核心结局集合（COS）的基本原则之后，您可能会想：这个想法很美好，但在现实中如何应用呢？答案是：无处不在。就测量内容和方式达成一致的这场悄然的革命，正在重塑从最常见到最罕见疾病的医学研究。这不仅关乎更好的数据，更是一场根本性的转变，迈向一个更统一、以患者为中心、更高效的科学事业。
想象一下巴别塔的混乱。简而言之，这就是没有共同结局语言的医学研究可能的样子。考虑一个新的公共卫生项目，比如疫苗接种运动。假设三家不同的医院想要报告潜在的不良事件。一家医院报告30天内的住院率。另一家报告7天内任何医疗就诊的发生率。第三家只是对14天时症状的平均严重程度进行评分。每一份报告都如同狂风中的低语；它们无法通约，不可能比较或合并。我们得到的是一堆轶事，而不是证据。核心结局集合充当了通用翻译器，是临床科学的“罗塞塔石碑”。通过建立一套所有人都同意测量和报告的最低结局——例如，“接种疫苗后30天内住院”——它确保了不同的研究都在说同一种语言。这种简单的标准化行为使我们能够从孤立数据点的巴别塔走向一个连贯的知识体系。
但是，这种新语言是如何构建的呢？它不是由象牙塔里任意发号施令的过程。它是一项深刻的、协作性的努力，植根于深厚的原则，就像编纂词典那般艰苦的过程。
第一个，也是最重要的原则，是医学思维的范式转换：测量对患者真正重要的东西。几十年来，医学常常关注于对临床医生来说最容易测量，或者他们认为重要的东西。一个显著的例子来自性发育异常（DSD）这一敏感领域。历史上，儿童生殖器手术的成功与否可能由临床医生评定的“外部男性化评分”来判断——本质上，这是一个关于解剖结构看起来有多“正常”的评分。而现代的COS方法则提出了一系列根本不同的问题。手术是否能实现正常的排尿功能？随着孩子的成长，对生活质量和心理社会福祉有何影响？未来性功能和生育前景如何？通过将这些以患者为中心的功能性和心理学结局置于纯粹形态学结局之上，COS将整个干预的目标重新定位到个体在整个生命历程中的整体福祉上。
第二个原则是三角验证的力量。一个单一的数字很少能捕捉到人类状况的复杂性。因此，一个好的COS通常包含一个“三位一体”的视角。以白癜风（一种导致皮肤斑块失去色素的疾病）的试验为例。要了解一种治疗是否有效，我们需要从多个角度来看待它。我们需要一个客观的测量指标，比如白癜风面积评分指数（VASI），它量化了复色的物理范围。但我们还需要患者自己的视角：一个患者总体评估（PtGA），询问：“总体而言，您觉得这个治疗有帮助吗？”最后，我们通过医生总体评估（PGA）来融入临床医生的整体判断。通过结合这三种观点——客观的、主观的和专家综合的——我们能得到一个更丰富、更稳健、更可信的关于治疗真实效果的图像。
第三个原则是严谨地使用正确的工具。仅仅决定测量什么是不够的；我们还必须定义如何测量。我们使用的工具——无论是问卷、实验室测试还是影像评分——都必须像一套精细校准的工具。它们必须是有效的（确实测量了它们声称要测量的东西）、可靠的（给出一致的结果）和有反应性的（能检测到有意义的变化）。在治疗像硬化性苔藓这样的慢性皮肤病的试验中，COS会指定使用经过验证的症状量表，这些量表在临床医生评估的分数上已显示出高内部一致性（通常用一个名为 Cronbach’s 的统计量来衡量）和高评估者间信度（用组内相关系数，即 来衡量）。在像支气管扩张这样的儿科肺部疾病中，这种严谨性延伸到选择最合适的生理学测试。虽然标准肺功能测定（FEV1）很有用，但COS可能会指定肺清除指数（LCI），这是一种检测小气道早期问题更敏感的测试。此外，它还会强制要求使用现代的、适合年龄和种族的参考方程，确保将儿童的肺功能与他们生长阶段的正确标准进行比较。
一旦构建完成，COS就成为一个强大的工具，在极其多样的医学领域中得到应用，使得以前不可能的比较成为可能。
在外科学领域，关于新技术的争论从未停止。一台价值数百万美元的手术机器人真的比一位技术娴熟的外科医生在标准腹腔镜手术中的双手更好吗？为了回答直肠癌手术的这个问题，COS迫使我们超越手术时间等指标。它创建了一个平衡计分卡。首先，手术是否达到了其主要的肿瘤学目标？这通过替代终点来衡量，如环周切缘（CRM）的状态——一种关于切除组织边缘是否残留癌细胞的显微评估——以及全直肠系膜切除术（TME）的质量。其次，患者的恢复过程如何？这包括关键的安全性结局，如吻合口漏的发生率和中转开腹手术的需求。最后，也是最关键的，一年后患者的生活质量如何？一个全面的COS将包括关于肠道、泌尿和性功能的经过验证的患者报告结局。只有通过测量这幅完整的图景，我们才能明智地决定哪种手术方法能为患者提供最佳的整体价值[@problem_-id:5180945]。
在慢性病领域，COS使我们能够比较苹果和橙子——或者在这种情况下，比较神经刺激器和颌骨手术。对于阻塞性睡眠呼吸暂停，治疗方案从植入式舌下神经刺激器（HNS）（在睡眠中将舌头前推）到大型的双颌前移术（MMA）（通过手术移动颌骨）。如何可能比较这些截然不同的干预措施？COS提供了共同的基础。通过商定所有试验都将测量来自睡眠研究的呼吸暂停低通气指数（AHI），使用经过验证的量表测量日间嗜睡，以及功能性结局，研究人员终于可以将这些不同的治疗方法放在一个公平的竞争平台上，看看哪种能提供最大的益处。
这个框架甚至延伸到贯穿一生的发育过程的疾病。在妇科学中，一项关于治疗不孕症的宫腔镜手术的试验必须超越简单的解剖结构矫正。一个稳健的COS会指定尊重女性生理学的测量时间点，评估几个月经周期内的出血模式。并且它会坚持追踪最终的、以患者为中心的结局：活产，这需要对患者进行足够长时间的随访，以便她们能够怀孕并将妊娠维持到足月。对于一个患有像后鼻孔闭锁（鼻腔通道堵塞）这样罕见疾病的新生儿，COS展示了其美妙的跨学科性质。直接的问题是一个物理学问题：气流受流体动力学原理支配，阻力（）对气道半径（）极其敏感，其关系为 。因此，一个好的COS将包括一个鼻腔气道阻力的客观测量。但它并不止步于物理学。它通过同时要求测量对新生儿父母重要的事情，将其转化为人类的语言：婴儿的喂养能力、他们的生活质量以及他们的长期发育轨迹。
核心结局集合的影响并不仅限于为未来设计更好的试验。也许其最令人兴奋的应用在于理解我们已经收集到的浩瀚数据海洋。每年，成千上万的临床试验在ClinicalTrials.gov等平台上注册。这是一个信息的宝库，但它极其混乱，结局都是用非结构化的自由文本描述的。
这就是COS与大数据和人工智能世界交汇的地方。研究人员现在正在开发复杂的流程，使用自然语言处理（NLP）来读取和解释这些数以百万计的试验记录。COS充当了蓝图，即目标词汇表。NLP算法学习将混乱的自由文本结局描述映射到COS内的标准化概念。这个过程，是自动提取与专家人工审核相结合的混合体，使我们能够从以前无法使用的数据中构建出大规模、高质量、标准化的数据库。
这就是核心结局集合的最终承诺。它不仅仅是方法学上的微调，而是21世纪科学的一项基本基础设施，使我们能够从每一项试验中的每一位患者身上学习。它是打开通往活证据合成之门的关键，使我们的医学知识能够随着新数据的出现而近乎实时地更新。它是一个谦逊而巧妙的工具，帮助我们将混乱的信息海洋转变为一个结构化的人类智慧图书馆，加速从科学发现到改善人类健康的旅程。